多模式字符串匹配 - AC自动机原理及实现

给一个字符串，找出字符串中指定的单词，如果是单个词，我们可以通过暴力解法，从头开始遍历字符串，判断是否存在指定的单词，当然还有一种更优的解法，那就是KMP算法，通过构造next数组，保存匹配的中间状态，在查找单词失败时，不用退回到字符串开头重新进行匹配，实现了O(m+n)的时间复杂度。这种在一个字符串中找一个单词的匹配成为单模式匹配，如果要在一个字符串中寻找多个子串了，那就是将要谈到的多模式匹配，如何实现呢？对每个子串进行KMP匹配，当然也可以。但是有一种更为优秀的多模式匹配算法，那就是AC自动机算法。

Aho-Corasick automaton，该算法在1975年产生于贝尔实验室，是著名的多模匹配算法。

AC自动机算法可以理解为树形的KMP算法，不过不了解KMP也不影响学习AC自动机算法，不过需要了解字典树和多叉树的广度遍历算法。

字典树

什么是Trie树？

Trie树，也叫字典树，是一种多叉树形数据结构，每个节点保存一个字符，一条路径上的所有节点保存一个字符串。以{"hers", "he", "his", "she"}构造的字典树为例：

如上图所示，每个单词在一条路径上，绿色节点表示该节点是一个单词的尾字符。其中root节点不存储任何字符。

如何构造一个字典树？

看上面的图应该已经知道如何构造一个Trie树了，那代码如何实现呢？首先定义节点的结构体：

struct TrieNode {
   
    TrieNode*                           fail{
   nullptr}; // 失配指针
    std::vector<int>                    exists;        // 该节点出是否存在完整单词
    std::unordered_map<char, TrieNode*> childs;        // 子节点，用 hash 表方便快速查询
};

其中：

exists字段用来存储以该节点字符结尾单词的长度，如单词"hers"，则该节点exists = {4}，用这个长度我们便可以截取出提取出字符串对应的该单词，而不用存储整个单词。

fail指针表示失配指针，后续将匹配过程会理解它。

childs用来存储子节点，为了快速定位子节点，我们用hash表存储子节点，键值为字符，value值为子节点其它信息

通过给定的多个单词构造Trie树代码如下：

TrieNode* buildTrie(const std::vector<std::string>& words) {
   
    if (words.empty()) {
   
        cout << "[buildTrie] words is empty" << endl;
        return nullptr;
    }
    TrieNode* root = new TrieNode();
    for (auto& word : words) {
   
        TrieNode* tmp = root;
        for (char ch : word) {
   
            if (tmp->childs.find(ch) == tmp->childs.end()) {
   
                tmp->childs[ch] = new TrieNode();
            }
            tmp = tmp->childs[ch];
        }
        tmp->exists.emplace_back(word.size());
    }
    return root;
}

不要忘记在每个单词的尾字符节点存储单词的长度。

失配指针

失配指针的含义

先看已构造好失配指针的图，后续讲如何构造失配指针

如图所示，每个节点的失配指针都指向指定节点，有的指向root节点，有的指向字符节点，那失配指针代表什么呢？可以理解为：
如果节点A的失配指针指向节点B，那么就表示：节点B结尾的字符串是节点A结尾的字符串的最长后缀：

• 节点[her]s.fail = s，s是该字典树中hers的最长后缀
• 节点[sh]e.fail = [h]e，he是该字典树中she的最长后缀
• 节点[h]e.fail = root，he在该字典树中没有最长后缀

可以自己体会一下😂

构造失配指针

代码如下：

TrieNode* initAhoCorasick(const std::vector<std